MedRealMM：一个用于中国在线医疗咨询的现实世界多模态基准

# MedRealMM：一个面向中国在线医疗咨询的真实世界多模态基准
来源：https://arxiv.org/abs/2607.09142
作者：Runhan Shi (https://arxiv.org/search/cs?searchtype=author&query=Shi,+R), Quan Zhou (https://arxiv.org/search/cs?searchtype=author&query=Zhou,+Q), Yuqian Xu (https://arxiv.org/search/cs?searchtype=author&query=Xu,+Y), Shuai Yang (https://arxiv.org/search/cs?searchtype=author&query=Yang,+S), Xin Wu (https://arxiv.org/search/cs?searchtype=author&query=Wu,+X), Zitong Zhou (https://arxiv.org/search/cs?searchtype=author&query=Zhou,+Z), Hui Liu (https://arxiv.org/search/cs?searchtype=author&query=Liu,+H), Bin Cha (https://arxiv.org/search/cs?searchtype=author&query=Cha,+B), Zheming Wang (https://arxiv.org/search/cs?searchtype=author&query=Wang,+Z), Liya Li (https://arxiv.org/search/cs?searchtype=author&query=Li,+L), Wei Wei (https://arxiv.org/search/cs?searchtype=author&query=Wei,+W), Haoyuan Hu (https://arxiv.org/search/cs?searchtype=author&query=Hu,+H), Jun Xu (https://arxiv.org/search/cs?searchtype=author&query=Xu,+J)

查看PDF (https://arxiv.org/pdf/2607.09142)

> 摘要：大型语言模型 \(LLMs\) 正日益部署于在线医疗咨询领域，然而现有基准与真实临床实践之间存在较大差距。许多基准依赖于合成对话或患者模拟器，忽略了患者上传的医学图像，或采用选择题、词汇重叠度等指标评估开放式临床回答，难以反映真实的临床质量。为此，我们提出 \\textbf\{MedRealMM\}，一个基于全国范围中国互联网医院中脱敏医患交互数据构建的大规模多模态在线医疗咨询基准。MedRealMM 采用多模态临床挑战点（MCCP）提取框架，从真实咨询轨迹中识别临床要求较高的时刻，并将其转化为标准化的下一轮回答生成任务，同时保留之前的图文上下文。每个实例均配有由医生精调的病例专属评分细则，对符合临床期待的回答予以奖励，并对不安全、缺乏依据或前后矛盾的回答施加惩罚。当前版本包含来自 64 个临床科室的 5,620 个真实多模态病例。我们评估了 19 个通用型和医疗专用型（包括纯文本及多模态系统）的 LLM。结果表明，图像信息对于可靠的临床性能至关重要，且当前前沿模型的表现仍低于在线执业医师水平。尽管部分前沿模型满足的正面临床标准数量达到或超过医生，但它们触发的负面标准也更多，说明安全性敏感的避错能力仍是核心瓶颈。MedRealMM 为评估真实在线咨询中的多模态医学推理提供了一个现实且可复现的基准。该数据集将公开发布于 Hugging Face，链接为：https://huggingface.co/datasets/jdh-algo/MedRealMM

## 提交历史

来自：Runhan Shi \[查看邮箱 (https://arxiv.org/show-email/a59488a4/2607.09142)\] **\[v1\]** 2026年7月10日 星期五 06:52:05 UTC (5,636 KB)